编辑推荐：
为解决小胶质细胞亚型鉴定及相关机制不明的问题，研究人员开展小胶质细胞亚型动态的研究。他们利用 FP 扩散图等技术，发现多种亚型及 AD 患者细胞差异。这为理解疾病机制、开发疗法提供依据，值得科研读者一读。
在神经退行性疾病的研究领域，小胶质细胞亚型的识别就像是一把神秘的钥匙，人们渴望用它打开理解先天免疫在这些疾病中作用的大门。随着科技的进步，高通量单细胞 RNA 测序（scRNA-seq）技术和分析方法让研究人员能够深入到单细胞层面，去探索小胶质细胞的基因表达奥秘。许多研究人员纷纷投身于这个领域，像 Olah 等人对 16,000 个小胶质细胞进行转录组测量，发现了 9 种小胶质细胞亚型；Patel 等人也不甘示弱，分析了超过 26,000 个细胞，同样找到了 9 种亚型；Mathys 等人以及 Prater 等人也都在这个领域有所建树，各自发现了不同的小胶质细胞亚型。这些研究成果看似丰富，但实际上却隐藏着不少问题。
虽然大家找到了多种小胶质细胞亚型，可对于这些亚型是如何产生的，它们之间有着怎样的发育联系，却知之甚少。就好比发现了一堆宝藏，但却不知道这些宝藏是从哪里来的，它们之间又有什么关联。而且，现有的研究在确定亚型时，都默认基因表达谱的波动幅度比细胞群在转录组空间中的距离小很多，可实际情况却并非如此。大量实验表明，基因表达的波动并不小，这就导致细胞群的边界变得模糊不清，缺乏可靠的数学依据，也就是说，在确定亚型时，研究人员就像在迷雾中摸索，没有一个清晰的标准。这种不确定性使得单个细胞容易被错误分类，不同细胞群之间的区别也变得很随意，甚至还会出现一些虚假的细胞群。
为了解开这些谜团，来自 作者[第一作者单位] 的研究人员决心迎难而上。他们在《Nature Communications》期刊上发表了一篇名为 “[论文原文标题]” 的论文。经过一系列深入的研究，他们发现了许多重要的结论。研究人员通过 Fokker-Planck（FP）扩散图，发现小胶质细胞亚状态的动态变化存在一种径向结构，即从一个中心的稳态（具有维持小胶质细胞稳定状态的功能）向周围分化出各种亚型。而且，他们还识别出了 9 种小胶质细胞亚型，其中抗炎、抗原呈递、代谢停滞、代谢活跃和疾病相关小胶质细胞（DAM）这几种亚型比较稳定，而稳态、过渡、细胞因子和体外激活小胶质细胞（exAM）亚型则更容易受到噪声的影响。另外，通过对独立的批量小胶质细胞数据集进行反卷积分析，他们发现阿尔茨海默病（AD）患者体内的抗原呈递小胶质细胞比正常人多，而正常人的抗炎和代谢活跃的小胶质细胞数量更多。
这些结论意义重大。它让我们对小胶质细胞的亚型有了更清晰的认识，为理解神经退行性疾病的发病机制提供了新的视角。就好像给研究人员在黑暗中点亮了一盏明灯，为后续开发治疗神经退行性疾病的新方法提供了重要的理论基础。
那么，研究人员是如何得出这些结论的呢？他们在研究过程中用到了几个关键的技术方法。首先是 Fokker-Planck 扩散图，这是一种基于随机过程的方法，能够将细胞分化看作是一个随机过程，细胞会在由转录组数据构建的潜在景观中逐渐稳定在对应亚型的局部最小值处。其次，他们使用了关键转变场和伪径向排序技术，通过计算关键转变参数
来判断细胞是否处于分化的临界状态，进而揭示小胶质细胞的分化动态。此外，还运用了差异表达分析和可解释机器学习方法，像使用 DESeq2 进行差异表达分析，找出各亚型的特征基因；构建梯度提升树分类器（XGBoost），并用 Shapley Explanatory（SHAP）值来解释模型，确定分类的重要基因。
下面让我们来详细看看研究结果。
Fokker-Planck 扩散图揭示小胶质细胞亚状态动态的径向结构
研究人员整合了 Olah 等人和 Patel 等人的单细胞 mRNA 计数数据，利用 Seurat v4 软件创建了 Fokker-Planck（FP）扩散图。FP 扩散图和普通的扩散图不同，它是基于随机转录动力学模型，通过离散化（反向）Kolmogorov 方程来实现的。在这个过程中，细胞的基因表达状态会随着时间按照一个随机微分方程进行演化。研究人员发现，从 FP 扩散图中可以看到，细胞的动态呈现出一种明显的径向结构，中心有一个集群，周围沿着各个扩散坐标延伸出一些稳定的亚状态。这就好像是一个细胞的 “太阳系”，中心集群是 “太阳”，周围的亚状态是围绕它的 “行星”。
关键转变场和伪径向排序表明径向分化动态
为了进一步确定这种径向结构是否意味着真正的径向分化模式，研究人员引入了关键转变场和伪径向排序的概念。他们根据之前研究提出的方法，计算了关键转变参数
，并将其扩展为一个在细胞上的场。通过计算每个细胞附近小区域内的相关系数和平均值，研究人员发现，
值大的细胞主要集中在中心集群，这表明这个中心集群就像是一个 “干细胞库”，是分化出其他更稳定亚型的源头，具有 “稳态” 的功能。而且，通过扩散伪时间对数据进行伪径向排序后发现，
值大的细胞伪半径小，
值小的细胞伪半径大，这进一步说明了细胞沿着分化和状态稳定的轴逐渐远离中心集群。
差异表达和可解释机器学习揭示亚型功能
研究人员为了找出每个集群的特征基因，使用 DESeq2 进行了 “1 vs. all” 分析。他们设定了严格的筛选标准，只有调整后的
值小于 0.05 且在该集群至少 50% 的细胞中表达的基因才被认为是显著基因。同时，他们还构建了 XGBoost 分类器，用 SHAP 值来确定分类的重要基因。通过这些方法，他们确定了 9 种小胶质细胞亚型，并对这些亚型的功能进行了推测。例如，稳态集群的差异表达谱较弱，没有独特的差异表达基因；代谢停滞集群中一些与 AD 相关的基因如
、
等上调，同时线粒体基因组的蛋白质编码基因几乎都下调；细胞因子集群有很强的趋化因子释放迹象，相关基因如
、
等显著上调。
与先前结果的比较
在研究过程中，研究人员也发现和先前研究结果进行定量比较存在一定困难，因为不同研究在确定无监督聚类和标记基因时使用的方法和软件包不同。比如，Patel 等人最初分析这个组合数据集时，通过 Leiden 聚类和 Seurat 软件的差异分析，确定了 12 种独特的亚型。而 FP 扩散图的优势在于能够准确地表示亚型分化的动态，还能通过观察扩散坐标的分布来识别稳定的长寿命集群。研究人员发现，他们确定的一些稳定集群，如抗炎、DAM、抗原呈递、代谢活跃和代谢停滞集群，和 Patel 等人的研究结果有很大的重叠，但也存在一些差异，比如代谢停滞集群在他们的研究中与 Patel 等人的稳态集群重叠度较高，但由于基因解释和转录特征的不同，两者还是有所区别。
独立批量小胶质细胞的反卷积显示 AD 患者中抗原呈递亚型富集
由于之前的分析数据来自混合数据集，其中 AD 样本多为死后组织，而对照样本多为新鲜组织，这可能会影响对亚型与 AD 关联的观察。为了解决这个问题，研究人员使用 CIBERSORTx 对来自 Kosoy 等人发表的独立批量 FACS 分选的小胶质细胞数据集进行反卷积分析。他们用之前确定的亚型特征基因构建签名矩阵，结果发现 AD 患者的抗原呈递小胶质细胞明显增多，而对照组的抗炎亚型小胶质细胞更为丰富。虽然代谢活跃亚型的结果因为和代谢停滞亚型有相似的信号，导致 CIBERSORTx 算法在解卷积时可能存在混淆，但抗原呈递亚型的结果还是很有意义的，因为有研究表明小胶质细胞招募 T 细胞进入大脑会导致神经退行性变加剧，这和他们的发现相呼应。
在讨论部分，研究人员对整个研究进行了总结和思考。他们的研究揭示了小胶质细胞亚群的动态结构，确定了哪些亚群的动态能够与噪声区分开来，找到了与这些集群相关的基因，还通过反卷积分析发现了 AD 患者和正常人小胶质细胞亚型百分比的差异。他们还对一些新的机制进行了假设，比如抗炎集群中
信号通路和 1 型干扰素产生的调节机制，以及代谢停滞集群中可能存在的细胞衰老机制。
这项研究为小胶质细胞亚型的研究开辟了新的道路。它让我们对小胶质细胞在神经退行性疾病中的作用有了更深入的理解，为未来开发针对这些疾病的精准治疗策略提供了重要的理论依据。虽然研究还存在一些局限性，比如将单细胞视为连续向量空间可能会丢失一些信息，但随着技术的不断发展和研究的深入，相信在这个领域会有更多的突破，为人类攻克神经退行性疾病带来新的希望。
